Clasificación De Cultivos Y Delimitación En Kirguistán

Descripción: Acerca De La Dinámica De La Producción De Remolacha Azucarera En Kirguistán

El cultivo de remolacha azucarera es una de las actividades agrícolas más importantes de Kirguistán. Múltiples regiones han dedicado grandes extensiones de terreno en los valles del país a estos cultivos y han construido fábricas de procesamiento de azúcar en las cercanías. La cantidad de azúcar producida ha registrado un crecimiento estable, mientras que el gobierno local planea seguir modernizando y apoyando esta industria en los próximos años.

La optimización de las capacidades de producción está en consonancia con los objetivos mundiales de desarrollo sostenible y las prácticas de agricultura de precisión. Para implementar nuevos enfoques con visión de futuro, el cliente de EOSDA eligió comenzar con la detección de los límites de campo y la clasificación de los cultivos con la ayuda de imágenes espaciales y arquitectura de aprendizaje profundo multinivel.

Problema: Analizar La Geoposición De Los Campos Y Ajustar La Logística

La singular topografía de los campos de remolacha azucarera de Kirguistán plantea bastantes dificultades a los productores. Los campos están situados principalmente en valles rodeados de montañas escarpadas. Por ello, la zona está bien hidratada. Sin embargo, la remolacha azucarera es muy exigente en cuanto al estado del horizonte arable. Por lo tanto, el cultivo oportuno y de alta calidad del suelo es extremadamente importante para la formación de un alto rendimiento de estos cultivos de raíz. Un conocimiento más claro del tamaño y la ubicación de los campos ayudaría a los productores locales de azúcar a ajustar su tecnología de cultivo a lo largo de las estaciones y a planificar en consecuencia las actividades necesarias.

Al mismo tiempo, las consideraciones comerciales son tan importantes como la precisión agrícola per se. Las investigaciones realizadas indican que la tasa media de extracción de azúcar oscila entre el 14% y el 16%, lo que significa que de una tonelada de materia prima sólo se producen entre 140 y 160 kg de azúcar ^{Agribusiness Handbook: Sugar Beets / White Sugar. (2009). Investment Centre Division. FAO.}. Por lo tanto, no es económicamente viable diseñar largas y costosas rutas logísticas desde los campos hasta las plantas azucareras. Mediante la visualización de la ubicación de los campos proporcionada por las imágenes de satélite, el cliente pudo planificar la logística de producción de azúcar más eficiente.

Solución: Entrenamiento De Una Red Neuronal Basada En Características Regionales Únicas

Para este proyecto se eligieron la detección de los límites de campo y la clasificación de los tipos de cultivo. El área de interés se dividió en un cierto número de clases, según los tipos de cultivo y/o características geoespaciales (bosque, agua, tierra desnuda, etc.), y se presentó al cliente en formato vectorial.

A una red neuronal personalizada se le suministraron datos de verificación sobre el terreno, el calendario agrícola y datos de imágenes de satélite específicos del lugar. Después, se entrenó sobre la base de un modelo convolucional LSTM (Conv-LSTM) supervisado, lo que permitió aprovechar las ventajas de:

• Redes neuronales convolucionales (CNN): eficacia demostrada en el reconocimiento y procesamiento de imágenes.
• Redes neuronales de memoria a largo plazo (LSTM): capaces de trabajar con dependencias a largo plazo sin los inconvenientes del problema del gradiente de fuga, lo que resulta especialmente práctico en los largos ciclos agrícolas de la vegetación.

Los límites de los campos pueden describirse como formas poligonales. Los científicos de EOSDA supervisaron el modelo aportando información sobre los patrones de campo esperados, mientras que el propio modelo fue capaz de definir automáticamente campos con un número arbitrario de puntos, identificando así una variedad de formas poligonales que también se correspondían con tipos de cultivo concretos.

Aleksey Kryvobok

Director científico de EOS Data Analytics

La ejecución del proyecto se llevó a cabo entre finales de primavera y mediados de verano de 2021, en la fase de vegetación más alta de la estación, lo que ayudó a obtener imágenes de satélite con patrones claramente identificables.

El proceso de entrenamiento de un modelo de red neuronal personalizado en EOSDA puede variar en función de los datos de entrada individuales, los objetivos del proyecto y la ubicación geográfica. En este caso, el proyecto se dividió en varios pasos.

Paso 1: Preprocesamiento

En primer lugar, el equipo de EOSDA obtuvo los datos de entrada, como:

• Capa de polígonos vectoriales del área de interés
• Datos de satélite de Sentinel-2 con las bandas ráster necesarias (10 metros de resolución)
• Datos reales sobre el terreno en forma de puntos (basados en coordenadas de geolocalización)

Tener disponibles datos de alta calidad es un requisito previo necesario para cualquier algoritmo de aprendizaje automático. El equipo de EOSDA obtuvo datos de imágenes de satélite adecuados del área de interés, incluidas las correcciones radiométricas del ruido atmosférico y las irregularidades de los sensores, así como la corrección geométrica de las distorsiones resultantes de las posiciones variables de los sensores de satélite con respecto a la Tierra. Los datos con ruido se filtraron antes de pasar al siguiente paso.

Paso 2: Entrenamiento Del Modelo De Red Neuronal

El proceso de entrenamiento constó de dos etapas:

• Entrenamiento del modelo de clasificación a partir de los datos proporcionados por el cliente: ubicaciones de los campos con determinados cultivos. Este modelo realiza una clasificación: el resultado es un ráster donde la imagen se agrupa en clases según los cultivos;
• Adaptación del modelo de detección de los límites de campo. El resultado es una máscara vectorial de alta precisión (el mejor resultado posible suele elegirse individualmente o compilarse a partir de unas pocas de las mejores variantes).

Cuando el equipo de EOSDA obtuvo los resultados de la clasificación de cultivos y de la detección de los límites de campo pudo asignar los nuevos valores a un mapa geográfico del área de interés.

Paso 3: Interpolación De Imágenes

En esta etapa, los resultados ráster y vectoriales de los dos modelos se combinan para obtener una mejor clasificación de los cultivos en formato vectorial.

El resultado demostró la existencia de las cuatro clases de cultivos que se negociaron previamente con el cliente:

1. Remolacha azucarera
2. Maíz
3. Alfalfa
4. Otros cultivos

Además, se detectaron zonas no cultivables, como:

1. Agua
2. Tierra desnuda
3. Bosque
4. Pastizales
5. Jardines

La superficie de cada zona calculada automáticamente se proporcionó en formato de hoja de cálculo. El informe también incluía visualizaciones estadísticas con explicaciones de los resultados y recomendaciones de los científicos de datos de EOSDA.

Resultado: Mapa Detallado De Los Cultivos, Los Límites De Campo Y Valor Comercial

La clasificación de los cultivos y la detección de los límites de campo permitieron al cliente hacer estimaciones realistas sobre las cantidades previstas de producción de remolacha azucarera en la región. Basándose en esta información, pudieron:

• Diferenciar de forma remota las tierras cultivables de las no cultivables;
• Identificar la ubicación actual de los campos de remolacha azucarera y planificar la logística agrícola en consecuencia;
• Calcular la superficie real de determinados tipos de cultivos y evaluar el rendimiento potencial de cada uno;
• Realizar inventarios regionales basados en una geolocalización precisa;
• Estimar la productividad del suelo en las zonas objetivo;
• Mejorar la planificación y evaluación del rendimiento, ajustando al mismo tiempo las estrategias para cumplir los objetivos de importación y exportación.

Estos nuevos datos se han convertido en el primer paso para abarcar un amplio abanico de posibilidades de la agricultura de precisión en Kirguistán, contribuyendo así a materializar el potencial de desarrollo de la producción de remolacha azucarera en el futuro.